如何利用飞桨框架成功复现PointNet算法？

本文共计4345个文字，预计阅读时间需要18分钟。

请提供需要改写的伪原创开头内容，以便我进行简写。

1. Introduction

本项目基于百度开源的PaddlePaddle深度学习框架进行PointNet的复现。

PointNet是早期针对点云的分类/分割问题设计的框架，它提供了一个统一的框架来支持众多的问题。尽管PointNet的提出时间较早，整体架构较为简单，但是它仍旧达到了一个高效且具有竞争力的表现效果，在今日针对点云相关问题的研究，仍然具有学习的意义。

Paper: PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation

Competition Page: PaddlePaddle AI Studio

GitHub Repo: Paddle-PointNet

PointNet Architecture:        

PointNet的整体框架如上图所示，从笔者的理解出发，如果要针对于点云进行分类和分割任务，不同的点云有着不同数目的空间点。那么网络设计需要保证针对不同的点输入是排序无关的，而PointNet的思路就是从空间点云当中去采样一个子集，通过子集来对于点云整体进行一个建模。这样的好处就是可以保证输入规模是相同的，使得构建一个端到端的深度学习网络成为可能。

那么最简单的就是通过一个多层感知机的模型进行前馈传播，PointNet作为早期的工作也是这样一个思路，为使得排序无关，所以不能在不同点之间采用卷积/全连接网络进行带参数的训练，在我的理解当中T-Net就是为了增强网络的表示能力所引入的。最终将其直接利用Max-Pooling方法得到一个表征全局的向量，用于进行分类。在分割任务当中与原本得到的点的表示进行拼接，作为全局表征的补充。